Python 应用np.where对方括号过滤进行numpy过滤

我可以通过

a[np.where(a[:,0]==some_expression)]

或

---

这些版本的（dis）优势是什么？特别是在性能方面？

令我惊讶的是，第一个版本的性能似乎稍好一些：

a = np.random.random_integers(100, size=(1000,1))

import timeit

repeat = 3
numbers = 1000

def time(statement, _setup=None):
  print(min(
    timeit.Timer(statement, setup=_setup or setup).repeat(repeat, numbers)))

setup = """from __main__ import np, a"""

time('a[np.where(a[:,0]==99)]')
time('a[(a[:,0]==99)]')

印刷品（例如）：

---

增加数组的大小会使数字差异更大

布尔索引在内部转换为整数索引。这是：

通常，如果索引包含布尔数组，则结果将为 与将

obj.nonzero（）
使用上面描述的整数数组索引机制

因此，这两种方法的复杂性是相同的。但是
np。其中
对于大型阵列更有效：

np.random.seed(0)
a = np.random.randint(0, 10, (10**7, 1))
%timeit a[np.where(a[:, 0] == 5)]  # 50.1 ms per loop
%timeit a[a[:, 0] == 5]            # 62.6 ms per loop

现在
np.where
还有其他好处：高级整数索引在多个维度上都能很好地工作。有关布尔索引在这方面不直观的示例，请参阅。因为
np.where
比布尔索引更有效，这只是一个额外的理由，它应该是首选的。
在我看来，np.where的主要优点是，当表达式为false时，它也可以给出结果。这是我使用它的主要方式。您还可以检查它是如何影响性能的，尤其是运行时。@LiorT-我不确定我是否理解您的评论，您的意思是如果
a[：，0]==某个表达式
都为False
a[a[：，0]==某个表达式]
在这种情况下也起作用case@Mr_and_Mrs_Dnp.where有点像excel的if函数。您可以要求它为某些条件为真的位置提供一个答案，如果不为真，则提供另一个值。例如np，其中（x==10,10,0）将返回一个10的数组，零取决于x是否等于10。我明白了，这有时是有用的，但在这个问题上，这不应该是相关的，而是np.where（）文档说：“如果只给出条件，则返回条件.nonzero（）。为什么这与默认的布尔索引不同，因为两者都使用bool_array.nonzero（）？@Dusch，不确定，我还没有看过源代码。可能是一个实现细节。我的基本观点是
np。其中
速度更快，用途更广，因此，如果效率很重要，那么长篇大论是值得的。
0.017856399000000023
0.019185326999999974

np.random.seed(0)
a = np.random.randint(0, 10, (10**7, 1))
%timeit a[np.where(a[:, 0] == 5)]  # 50.1 ms per loop
%timeit a[a[:, 0] == 5]            # 62.6 ms per loop